R语言基于Garch波动率预测的区制转移交易策略

可下载资源

均值回归策略使用RSI（2）建模：RSI（2）时为Long，否则为Short。趋势跟踪策略以SMA 50/200交叉建模：当SMA（50）> SMA（200）时为Long，否则为Short。

 
    #*****************************************************************
    # 加载历史数据
    #******************************************************************
    load.packages('quantmod')  
    tickers = 'SPY'
 
    data <- new.env()
    getSymbols(tickers, src = 'yahoo', from = '1970-01-01', env = data, auto.assign = T)
       
    #*****************************************************************
    # 代码策略
    #******************************************************************
    prices = d
    # 购买并持有
    data$weight[
         
    # 均值回归（MR）策略
    rsi2 = bt.apply.ma
         
    # 趋势跟踪（TF）策略
    sma.short = apply.matrix(prices, SMA, 50)
    sma.long = apply.matrix(prices, SMA, 200)
    data$weight[] = NA
    #*****************************************************************
    # 创建报告
    #******************************************************************
    plotb

#*****************************************************************
＃根据历史市场波动情况进行区制转移
＃使用252天的回溯期按百分比对当前波动率进行分类
#******************************************************************
 
# ＃区制转移历史
data$weight[] = NA
    data$weight[] = iif(vol.rank > 0.5,
                iif(rsi2 <
l=capital, trade.summary=T)
 
#*****************************************************************
#创建报告
#******************************************************************
report(regime, mr)

#*****************************************************************
# 基准化Garch算法
#******************************************************************
temp = garchSim(n=252)
 
test1 <- function() {
    fit1=garch(temp, order = c(1, 1), control = garch.control(trace = F))
}
test2 <- function() {
    fit2=garchFit(~ garch(1,1), data = temp, include.mean=FALSE, trace=F)
}
         
benchmark(
    test1(),
    test2(),
    columns=
)

garchFit函数平均比garch函数慢6倍。因此，要预测波动率，我将尝试在找到解决方案时使用garch函数，否则将尝试使用garchFit函数。

#*****************************************************************
#使用Garch预测波动率
#来自tseries的garch速度很快，但是并不能始终收敛
#fGarch的garchFit速度较慢，但收敛一致
#******************************************************************
load.packages('tseries,fGarch')
         
# Sigma[t]^2 = w + a* Sigma[t-1]^2 + b*r[t-1]^2
garch.predict.one.day <- function(fit, r1) {
    hl = tail( fitted(fit)[,1] ,1)    
 
# 与预测相同( fit, n.ahead=1, doplot=F)[3]
garchFit.predict.one.day <- funct
 
garch.vol = NA * hist.vol
for( i in (252+1):nperiods 
 err ) FALSE, warning=function( warn ) FALSE )
                     
    if( !is.logical( fit 
garch(1,1), data = temp, include.mean=FALSE, trace=F),
                    error=function( err ) FALSE, warning=function( warn ) FALSE )
                     
        if( !is.logical( 

现在，让我们创建一个基于GARCH（1,1）波动率预测在均值回归和趋势跟踪策略之间切换的策略。

#*****************************************************************
# 使用Garch进行区制转移
#******************************************************************        
vol.rank = percent.rank(SMA(percent.rank(garch.v
# 区制转移Garch
data$weight[] = NA
    data$weight[] = iif(vol.rank > 0.5,
                iif(rsi2 < 50, 1, -1),
                iif(sma.short > sma.l
#*****************************************************************
#创建报告
#******************************************************************
report(regime.switching)

使用GARCH（1,1）波动率预测的转换策略要比使用历史波动率的策略稍好。 

您可以采用多种不同的方法将预测合并到模型和交易策略中。R有非常丰富的软件包集，用于建模和预测时间序列。